Mapas - São Paulo/SP

Indicadores domiciliares por setor censitário

Mapas de Indicadores

Código IBGE do município: 3550308
Ano de referência: 2022
Fonte: IBGE - Censo Demográfico 2022

Este documento gera mapas interativos dos indicadores domiciliares do Censo 2022 para o município de São Paulo. Os dados são visualizados por setor censitário, permitindo análises detalhadas intraurbanas.

1. Configuração do Ambiente

library(dplyr)
library(readr)
library(sf)
library(ggplot2)
library(geobr)
library(stringr)
library(viridis)
library(leaflet)
library(scales)
library(here)
library(DT)

# Definição da estrutura de pastas para organizar os dados 
pasta_base <- here("data") 
pasta_out <- sprintf("%s/03_indicators", pasta_base)
pasta_shapes <- sprintf("%s/04_shapes", pasta_base)

cn22dom_vars <- read_csv(
  file.path(pasta_out, "cn22dom_vars.csv"),
  show_col_types = FALSE
)

# glimpse(cn22dom_vars)

# Definição do município
cod_mun  <- "3550308"
nome_mun <- "São Paulo"

stopifnot(cod_mun %in% cn22dom_vars$cod_municipio)

# Preparar base de indicadores
indicadores <- cn22dom_vars %>%
  mutate(
    cod_setor = as.character(cod_setor),
    cod_municipio = as.character(cod_municipio)
  )

cat(
  "Indicadores carregados (absolutos e relativos): ",
  nrow(indicadores),
  " setores\n",
  sep = ""
)

Indicadores carregados (absolutos e relativos): 468099 setores

# Filtrar para o município
indicadores_mun <- indicadores %>%
  filter(cod_municipio == cod_mun) %>%
  mutate(cod_setor_ibge = cod_setor)

cat(
  "Setores em ",
  nome_mun,
  ": ",
  nrow(indicadores_mun),
  "\n\n",
  sep = ""
)

Setores em São Paulo: 27301

# Verificação final
if (nrow(indicadores_mun) == 0) {
  stop("Nenhum setor encontrado para ", nome_mun)
}

cat("Primeiro setor: ", indicadores_mun$cod_setor[1], "\n", sep = "")

Primeiro setor: 355030801000001

cat("Exemplo de indicador disponível:\n")

Exemplo de indicador disponível:

vars_cn22 <- names(indicadores_mun)[str_detect(names(indicadores_mun), "^cn22_")]
print(head(vars_cn22, 1))

[1] "cn22_dom01_ocu_tot_1"

2. Baixar e Preparar Shapes dos Setores Censitários

# Nome do arquivo shape para este município
shape_file <- file.path(pasta_shapes, paste0("setores_", cod_mun, ".gpkg"))

if (!file.exists(shape_file)) {
  cat("Baixando shapes dos setores censitários...\n")
  
  # URL base dos shapes do IBGE (BC250 - versão mais recente)
  # Para 2022, usar a base de 2019 que é compatível
  base_url <- "https://geoftp.ibge.gov.br/cartas_e_mapas/bases_cartograficas_continuas/bc250/versao2023/geopackage/"
  
  # Determinar UF a partir do código do município
  uf_code <- substr(cod_mun, 1, 2)
  
  # Mapeamento código UF para sigla
  uf_siglas <- c(
    "11" = "RO", "12" = "AC", "13" = "AM", "14" = "RR", "15" = "PA",
    "16" = "AP", "17" = "TO", "21" = "MA", "22" = "PI", "23" = "CE",
    "24" = "RN", "25" = "PB", "26" = "PE", "27" = "AL", "28" = "SE",
    "29" = "BA", "31" = "MG", "32" = "ES", "33" = "RJ", "35" = "SP",
    "41" = "PR", "42" = "SC", "43" = "RS", "50" = "MS", "51" = "MT",
    "52" = "GO", "53" = "DF"
  )
  
  uf_sigla <- uf_siglas[uf_code]
  
  if (is.na(uf_sigla)) {
    stop("Código UF inválido: ", uf_code)
  }
  
  # URL alternativa: usar geobr para download simplificado
  cat("Usando pacote geobr para download dos shapes...\n")
  
  # Instalar geobr se necessário
  if (!requireNamespace("geobr", quietly = TRUE)) {
    install.packages("geobr")
  }
  library(geobr)
  
  # Baixar shapes dos setores censitários
  tryCatch({
    setores_sf <- read_census_tract(
      year = 2019,  # Último ano disponível compatível com 2022
      code_tract = "all",
      simplified = TRUE
    )
    
    # Filtrar para o município
    setores_mun <- setores_sf %>%
      filter(code_muni == as.numeric(cod_mun))
    
    # Salvar em arquivo local para cache
    st_write(setores_mun, shape_file, quiet = TRUE)
    cat("Shapes salvos em:", shape_file, "\n")
    
  }, error = function(e) {
    cat("Erro ao baixar via geobr:", e$message, "\n")
    cat("Usando shapes locais se disponíveis...\n")
  })
}

# Carregar shapes
if (file.exists(shape_file)) {
  setores_sf <- st_read(shape_file, quiet = TRUE)
} else {
  # Fallback: criar geometria simplificada a partir dos centroides
  cat("Criando geometria aproximada a partir de coordenadas...\n")
  
  # Se você tiver coordenadas dos setores, carregue aqui
  # Por enquanto, criamos pontos aleatórios para demonstração
  set.seed(123)
  setores_sf <- indicadores_mun %>%
    mutate(
      geometry = st_sfc(
        lapply(1:n(), function(i) {
          # Coordenadas aproximadas do município
          # Em produção, use coordenadas reais!
          lon <- -46.6 + runif(1, -0.2, 0.2)
          lat <- -23.5 + runif(1, -0.2, 0.2)
          st_point(c(lon, lat))
        })
      )
    ) %>%
    st_as_sf()
}

cat("Shapes carregados:", nrow(setores_sf), "setores\n")

Shapes carregados: 27149 setores

3. Juntar Dados e Geometrias

# Converter código do setor para formato compatível
setores_com_dados <- setores_sf %>%
  mutate(
    code_tract_char = as.character(code_tract)
  ) %>%
  left_join(
    indicadores_mun,
    by = c("code_tract_char" = "cod_setor_ibge")
  )

# Verificar junção
setores_com_info <- setores_com_dados %>%
  filter(!is.na(cn22_dom03_cas_tot_2))

cat("Setores com dados e geometria:", nrow(setores_com_info), 
    "(", round(nrow(setores_com_info)/nrow(indicadores_mun)*100, 1), "%)\n")

Setores com dados e geometria: 24908 ( 91.2 %)

4. Mapa interativo 1: Proporção de casas x apartamentos

# Preparar dados para o mapa
dados_mapa <- setores_com_info %>%
  mutate(
    prop_casas = cn22_dom03_cas_tot_2 * 100,
    prop_aptos = cn22_dom03_apt_tot_2 * 100,
    densidade = cn22_dom03_6mor_tot_2 * 100
  )

# Função para criar paleta de cores
criar_paleta <- function(variavel, cores = "YlOrRd", reversa = FALSE) {
  colorNumeric(
    palette = cores,
    domain = variavel,
    na.color = "#808080",
    reverse = reversa
  )
}

# Paleta para proporção de casas
pal_casas <- criar_paleta(dados_mapa$prop_casas, "YlOrRd")

# Criar mapa Leaflet
mapa_casas <- leaflet(dados_mapa) %>%
  addProviderTiles("CartoDB.Positron") %>%
  addPolygons(
    fillColor = ~pal_casas(prop_casas),
    fillOpacity = 0.7,
    color = "#444444",
    weight = 0.5,
    smoothFactor = 0.5,
    label = ~paste(
      "Setor:", code_tract_char,
      "<br>Casas:", round(prop_casas, 1), "%",
      "<br>Aptos:", round(prop_aptos, 1), "%",
      "<br>Densidade (>6 moradores):", round(densidade, 1), "%"
    ) %>% lapply(htmltools::HTML),
    highlightOptions = highlightOptions(
      weight = 2,
      color = "#666666",
      bringToFront = TRUE
    )
  ) %>%
  addLegend(
    pal = pal_casas,
    values = ~prop_casas,
    opacity = 0.7,
    title = "% de Casas",
    position = "bottomright",
    labFormat = labelFormat(suffix = "%")
  ) %>%
  addControl(
    paste(nome_mun, "- Proporção de Domicílios tipo Casa"),
    position = "topright"
  )

mapa_casas

5. Mapa interativo 2: Domicílios improvisados

# Filtrar setores com dados de improvisados
dados_improvisados <- dados_mapa %>%
  mutate(
    prop_improvisados = cn22_dom02_dpio_tot_2 * 100
  ) %>%
  filter(!is.na(prop_improvisados) & prop_improvisados > 0)

# Paleta para improvisados (vermelho = mais crítico)
pal_improvisados <- criar_paleta(dados_improvisados$prop_improvisados, "Reds")

# Criar mapa
mapa_improvisados <- leaflet(dados_improvisados) %>%
  addProviderTiles("CartoDB.DarkMatter") %>%
  addPolygons(
    fillColor = ~pal_improvisados(prop_improvisados),
    fillOpacity = 0.8,
    color = "#222222",
    weight = 0.3,
    label = ~paste(
      "Setor:", code_tract_char,
      "<br>Domic. improvisados:", round(prop_improvisados, 2), "%",
      "<br>Total domicílios:", cn22_dom01_ocu_tot_1
    ) %>% lapply(htmltools::HTML)
  ) %>%
  addLegend(
    pal = pal_improvisados,
    values = ~prop_improvisados,
    opacity = 0.8,
    title = "% Improvisados",
    position = "bottomright",
    labFormat = labelFormat(suffix = "%", digits = 2)
  ) %>%
  addControl(
    paste(nome_mun, "- Domicílios Improvisados"),
    position = "topright"
  )

mapa_improvisados

6. Mapas Estáticos para Exportação

# Criar mapas estáticos com ggplot2
if (all(st_geometry_type(dados_mapa) %in% c("POLYGON", "MULTIPOLYGON"))) {
  # Mapa 1: Proporção de casas
  mapa_estatico1 <- ggplot(dados_mapa) +
    geom_sf(aes(fill = prop_casas), color = NA, size = 0.1) +
    scale_fill_viridis(
      name = "% Casas",
      option = "plasma",
      na.value = "gray90",
      labels = scales::percent_format(scale = 1)
    ) +
    labs(
      title = paste("Proporção de Domicílios tipo Casa -", nome_mun),
      subtitle = "Por setor censitário - Censo 2022",
      caption = "Fonte: IBGE - Censo Demográfico 2022"
    ) +
    theme_void() +
    theme(
      plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
      legend.position = "bottom",
      legend.key.width = unit(2, "cm")
    )
  
  print(mapa_estatico1)
  
  # Mapa 2: Domicílios improvisados
  if (nrow(dados_improvisados) > 0) {
    mapa_estatico2 <- ggplot(dados_improvisados) +
      geom_sf(aes(fill = prop_improvisados), color = NA, size = 0.1) +
      scale_fill_gradientn(
        name = "% Improvisados",
        colors = c("lightyellow", "orange", "red", "darkred"),
        na.value = "gray90",
        limits = c(0, max(dados_improvisados$prop_improvisados, na.rm = TRUE)),
        labels = scales::percent_format(scale = 1, accuracy = 0.1)
      ) +
      labs(
        title = paste("Domicílios Improvisados -", nome_mun),
        subtitle = "Por setor censitário - Censo 2022",
        caption = "Fonte: IBGE - Censo Demográfico 2022"
      ) +
      theme_void() +
      theme(
        plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
        legend.position = "bottom",
        legend.key.width = unit(2, "cm")
      )
    
    print(mapa_estatico2)
  }
}

7. Análise por Bairro/Distrito

# Agregar indicadores por bairro (se disponível)
if ("nome_bairro" %in% names(indicadores_mun)) {
  bairros_agg <- indicadores_mun %>%
    group_by(cod_bairro, nome_bairro) %>%
    summarise(
      n_setores = n(),
      media_casas = mean(cn22_dom03_cas_tot_2 * 100, na.rm = TRUE),
      media_aptos = mean(cn22_dom03_apt_tot_2 * 100, na.rm = TRUE),
      media_improvisados = mean(cn22_dom02_dpio_tot_2 * 100, na.rm = TRUE),
      media_densidade = mean(cn22_dom03_6mor_tot_2 * 100, na.rm = TRUE),
      .groups = 'drop'
    ) %>%
    arrange(desc(media_improvisados))
  
  # Gráfico de ranking
  top_bairros <- bairros_agg %>%
    filter(!is.na(nome_bairro) & nome_bairro != "") %>%
    arrange(desc(media_improvisados)) %>%
    head(15)
  
  if (nrow(top_bairros) > 0) {
    ggplot(top_bairros, 
           aes(x = reorder(nome_bairro, media_improvisados), 
               y = media_improvisados)) +
      geom_col(fill = "steelblue", alpha = 0.8) +
      geom_text(aes(label = round(media_improvisados, 2)), 
                hjust = -0.2, size = 3) +
      coord_flip() +
      labs(
        title = paste("Top 15 Bairros com Mais Domicílios Improvisados -", nome_mun),
        x = "Bairro",
        y = "% de Domicílios Improvisados"
      ) +
      theme_minimal() +
      theme(
        plot.title = element_text(face = "bold"),
        axis.text.y = element_text(size = 9)
      )
  }
}

8. Tabela Interativa de Indicadores

# Criar tabela resumo para os primeiros 50 setores
tabela_resumo <- setores_com_info %>%
  st_drop_geometry() %>%
  select(
    Setor = code_tract_char,
    Bairro = nome_bairro,
    `Casas (%)` = cn22_dom03_cas_tot_2,
    `Aptos (%)` = cn22_dom03_apt_tot_2,
    `Improvisados (%)` = cn22_dom02_dpio_tot_2,
    `>6 Moradores (%)` = cn22_dom03_6mor_tot_2,
    `Total Domicílios` = cn22_dom01_ocu_tot_1
  ) %>%
  mutate(
    across(where(is.numeric) & contains("%"), ~ round(.x * 100, 2)),
    across(where(is.numeric) & !contains("%"), ~ round(.x, 0))
  ) %>%
  head(50)  # Limitar para performance

# Tabela interativa com DT
datatable(
  tabela_resumo,
  options = list(
    pageLength = 10,
    dom = 'Bfrtip',
    buttons = c('copy', 'csv', 'excel'),
    scrollX = TRUE
  ),
  caption = paste("Indicadores Domiciliares - Primeiros 50 Setores -", nome_mun),
  rownames = FALSE,
  filter = 'top'
) %>%
  formatStyle(
    'Improvisados (%)',
    background = styleColorBar(tabela_resumo$`Improvisados (%)`, 'lightcoral'),
    backgroundSize = '100% 90%',
    backgroundRepeat = 'no-repeat'
  ) %>%
  formatStyle(
    'Casas (%)',
    background = styleColorBar(tabela_resumo$`Casas (%)`, 'lightblue'),
    backgroundSize = '100% 90%'
  )

9. Resumo Estatístico

# Calcular estatísticas descritivas
resumo_estatistico <- indicadores_mun %>%
  summarise(
    `Total Setores` = n(),
    `Média Casas (%)` = mean(cn22_dom03_cas_tot_2 * 100, na.rm = TRUE),
    `Média Aptos (%)` = mean(cn22_dom03_apt_tot_2 * 100, na.rm = TRUE),
    `Média Improvisados (%)` = mean(cn22_dom02_dpio_tot_2 * 100, na.rm = TRUE),
    `Média >6 Moradores (%)` = mean(cn22_dom03_6mor_tot_2 * 100, na.rm = TRUE),
    `Total Domicílios` = sum(cn22_dom01_ocu_tot_1, na.rm = TRUE),
    `Total Moradores` = sum(cn22_dom01_ocu_tot_mor_1, na.rm = TRUE)
  ) %>%
  mutate(across(where(is.numeric), ~ round(.x, 2)))

cat("RESUMO ESTATÍSTICO -", nome_mun, "\n")

RESUMO ESTATÍSTICO - São Paulo 

cat("================================\n")

================================

print(resumo_estatistico)

# A tibble: 1 × 7
  `Total Setores` `Média Casas (%)` `Média Aptos (%)` `Média Improvisados (%)`
            <dbl>             <dbl>             <dbl>                    <dbl>
1           27301              63.6              35.4                     0.14
# ℹ 3 more variables: `Média >6 Moradores (%)` <dbl>, `Total Domicílios` <dbl>,
#   `Total Moradores` <dbl>

10. Como Usar para Outros Municípios

Para gerar mapas para outro município, renderize com parâmetros diferentes:

# Rio de Janeiro
quarto render 03-mapa-cidades.qmd -P cod_mun:3304557 -P nome_mun:"Rio de Janeiro"

# Belo Horizonte
quarto render 03-mapa-cidades.qmd -P cod_mun:3106200 -P nome_mun:"Belo Horizonte"

# Curitiba
quarto render 03-mapa-cidades.qmd -P cod_mun:4106902 -P nome_mun:"Curitiba"

Próximos passos: 1. Execute 01-import-data.qmd para baixar os dados 2. Execute 02-gerar-indicadores.qmd para calcular indicadores
3. Execute este documento para gerar os mapas 4. Para publicar: quarto render e suba a pasta docs/ para GitHub Pages

---

Documento gerado em 07/01/2026 19:31